 |  || ДонНТУ > Портал магистров |
Факультет компьютерных наук и технологий |
|
|
|
|
Нечаев Сергей Георгиевич |
|
Факультет: Кафедра: Специальность: Тема выпускной работы: Научный руководитель: |
Факультет компьютерных наук и технологий Автоматизированные системы управления Информационные Управляющие Системы и Технологии кандидат физ-мат. наук, доц. Жукова Тамара Порфирьевна |
|
Автореферат
квалификационной работы магистра
«РАЗРАБОТКА КОМПЬЮТЕРИЗИРОВАННОЙ СИСТЕМЫ ДЛЯ ОЦЕНКИ ХАРАКТЕРИСТИК НЕДВИЖИМОСТИ С ИСПОЛЬЗОВАНИЕМ НЕЙРОСЕТЕЙ»
Научный руководитель: кандидат физ-мат. наук, доцент Жукова Тамара Порфирьевна,
Донецкий национальный технический университет,
доцент кафедры автоматизированные системы управления
Донецкий национальный технический университет,
доцент кафедры автоматизированные системы управления
- АКТУАЛЬНОСТЬ ТЕМЫ
- ЦЕЛЬ И ЗАДАЧИ РАЗРАБОТКИ И ИССЛЕДОВАНИЯ
- НАУЧНАЯ НОВИЗНА
- ОБЗОР ИССЛЕДОВАНИЙ И РАЗРАБОТОК ПО ТЕМЕ
- ПРОБЛЕМЫ, НЕРЕШЕННЫЕ ВОПРОСЫ И ПУТИ РЕШЕНИЯ
- РАЗРАБОТКА ОБЪЕКТНОЙ МОДЕЛИ
- ПРАКТИЧЕСКОЕ ЗНАЧЕНИЕ ПОЛУЧЕННЫХ РЕЗУЛЬТАТОВ
- ВЫВОДЫ
СПИСОК ЛИТЕРАТУРЫ
ВВЕДЕНИЕ
Оценка недвижимости является одной из наиболее востребованных и, вместе с тем, одной из наиболее сложных задач на рынке интеллектуальных систем оценки и принятия решений. Сложность заключается, во-первых, в большом количестве факторов, влияющих на оценку. Во-вторых, сам характер факторов представляет существенную проблему – некоторые из них довольно сложно формализовать (например, «степень престижности района нахождения объекта», «внешний вид объекта», информацию об истории объекта оценки, анализ местоположения объекта и др.). В-третьих, рынок недвижимости достаточно динамичен, что подразумевает высокую скорость изменения значения параметров оценки с течением времени. В-четвёртых, для формирования обучающих выборок и баз знаний приходится использовать опыт различных оценщиков, что может приводить к противоречивым решениям.
АКТУАЛЬНОСТЬ ТЕМЫ
Актуальность данной системы обоснована тем, что в данное время недвижимость занимает одну из главных ниш в экономике. Ввиду этого удобство, быстрота и простота поиска с помощью компьютеризированной системы, поможет человеку объективно оценить стоимость той или иной недвижимости, без участия риелтора.
А так, как нейронные сети основаны на примитивной биологической модели нервных систем, и способны обучаться, то оценка недвижимости при помощи НС выглядит очень привлекательно.
Еще одним актуальным фактором является, независимость от риелтора. В данный момент недвижимость оценивается – человеком (риелтором). Риелтор не всегда может быть объективен в своей оценке, и разные объекты недвижимости с приблизительно одинаковыми показателями, может оценивать с разным результатом. Поэтому целесообразно использовать систему, которая может работать без вмешательства со стороны.
ЦЕЛЬ И ЗАДАЧИ РАЗРАБОТКИ И ИССЛЕДОВАНИЯ
Целью настоящего исследования, является создание автоматизированной системы оценки недвижимости, при помощи нейросетей. В соответствии с целью, выделены следующие задачи:
В данный момент большинство объектов недвижимости оценивается вручную – человеком. Для повышения эффективности, быстроты и достоверности оценки, целесообразно использовать компьютерные мощности для выполнения данной работы. То есть, новизна заключается в том, что оценка недвижимости, будет проходить без участия человека. Не будет преднамеренно завышенных цен, возможность внедрить данную систему на Web портал или же, на информационные терминалы города.
5.ОБЗОР ИССЛЕДОВАНИЙ И РАЗРАБОТОК ПО ТЕМЕ
Данным направлением занимаются в России:
К.К. Борусяк (ФА при Правительстве РФ), И.В. Мунерман (ООО «Институт управления стоимостью»)
В Великобритании:
Группа исследователей из университета г. Портсмут
ПРОБЛЕМЫ, НЕРЕШЕННЫЕ ВОПРОСЫ И ПУТИ РЕШЕНИЯ
Хотя нейросетевые модели являются весьма эффективными в задачах оценки, их построение связано с двумя группами проблем, которые необходимо учитывать при предобработке данных. Во-первых, в отличие от ряда развитых стран (например, США, за исключением нескольких штатов, в Украине отсутствует система обязательного публичного раскрытия информации о сделках с недвижимостью, при которой сумма сделки и основные характеристики помещения, подлежащего продаже или сдаче в аренду, предоставляются в форме анкеты в соответствующие органы и агрегируются на открытых веб-сайтах. В связи с этим информация о сделках с недвижимостью крайне ограничена и не вполне достоверна — даже в Киеве и Донецке, а тем более в остальных городах Украины.
Для решения этой задачи применим несколько методов, что позволит существенно повысить качество исходных данных. Семантические анализаторы, основанные на регулярных выражениях, применяются для анализа текстов объявлений и выявления в них максимума информации, заданной в неформализованном текстовом виде. Набор решающих правил позволил исключить заведомо абсурдные анкеты, содержащие неправдоподобные сочетание признаков объекта недвижимости (например, квартира класса С с земельным участком). Матрицы граничных значений, составленные на основе эмпирических данных рынка недвижимости и статистического анализа выбросов, позволят отсечь объявления с заведомо недостоверной ценовой информацией. Во-вторых, классические приёмы математического моделирования экономических процессов лучше всего работают в случае, когда все зависимые факторы являются количественными. В задаче определения цены объекта недвижимости факторное пространство устроено значительно сложнее. Большинство ценообразующих факторов являются неупорядоченными (например, история помещения) или упорядоченными категориями (состояние помещения – от аварийного до отличного). Важную роль играет также расположение объекта – географический фактор, кодирование которого представляет собой нетривиальную задачу. Простое использование географических координат не является решением проблемы, т.к. координаты – не ценообразующие факторы. Количественные факторы (с учётом преобразований, которые будут рассмотрены ниже) используются в модели в неизменном виде. Бинарные факторы задаются переменными-признаками: для типа операции «продажа» будет выбрана за единицу, а «аренда» — за ноль. Неупорядоченные категории преобразуются в набор бинарных переменных, соответствующих всем уровням, кроме базового. В качестве базового назначения будет выбрана квартира. Преимущество нейронных сетей перед моделями множественной регрессии состоит в том, что нет необходимости преобразовывать упорядоченные категории в набор бинарных переменных, теряя порядок значений, обусловленный экономическими причинами. Т.к. зависимости в нейронных сетях нелинейны, достаточно указать произвольные числовые значения, монотонно связанные с уровнями фактора, например, последовательные целочисленные значения или усреднённые значения цены в разрезе соответствующих категорий. К некоторым из факторов будут применены соответствующие функциональные преобразования.
Цены и площади помещения будут прологарифмированы. Кроме того, чтобы избежать разделения выборки на отдельные группы по аренде и по продаже, к арендным ставкам будет применён коэффициент капитализации 1/r, где r=12% типичное значение валового рентного мультипликатора. Все факторы будут нормированы путём вычитания минимального значения и деления на размах вариации.
РАЗРАБОТКА ОБЪЕКТНОЙ МОДЕЛИ
Для оценки стоимости объектов недвижимости разработаны и широко применяются три метода – доходный, затратный, и сравнительный (с использованием объектов-аналогов).
Доходный подход – совокупность методов оценки стоимости объекта, основанных на определении ожидаемых доходов от объекта оценки. Главный фактор, определяющий стоимость объекта – будущие доходы от его эксплуатации на протяжении срока полезного использования. Достоинство – возможность комплексной, системной оценки, когда нужно оценить не отдельные объекты, а весь операционный имущественный комплекс. Недостаток – применение ограниченно возможностью непосредственного определения чистого дохода от оценивания объекта.
Затратный подход – совокупность затратных методов оценки стоимости объекта, необходимых для восстановления/замещения объекта, с учетом его износа. Предполагает обязательную оценку возможной и полной себестоимости изготовления объекта (и других затрат изготовителя и продавца). Достоинства – возможность оценки уникальных объектов и учет факторов износа объекта. Недостаток – сильная зависимость от полноты информации об оцениваемом объекте.
Сравнительный подход – совокупность методов оценки стоимости объекта, основанных на сравнении оцениваемого объекта с аналогичными объектами, в отношении которых имеется информация о ценах сделок с ними. Достоинства – эффективен при наличии рынка подобных объектов, дает представление об их действительной рыночной стоимости. Недостаток – сильная зависимость от полноты рыночной информации.
Входными данными будут такие параметры недвижимости как:
K — количество комнат
S — общая площадь
Z — жилая площадь
A — возраст дома
R — прошло с момента капитального ремонта
G — стоимость квадратнорго метра участка в районе
Если рассматривается дом то будет еще
N — включена площадь участка
Рисунок 1. Общая структура нейронной сети
(Анимация: объем 51,4 Кб; размер 706х333; состоит из 7 кадров; цикл повторения – непрерывный)
Нечисловые данные других типов можно либо преобразовать в числовую форму, либо объявить незначащими. Значения дат и времени, если они нужны, можно преобразовать в числовые, вычитая из них начальную дату (время). Обозначения денежных сумм преобразовать совсем несложно. С произвольными текстовыми полями (например, фамилиями людей) работать нельзя и их нужно сделать незначащими.
Используя массив сведений о уже оцененных объектах недвижимости, можно попытаться извлечь интересующую нас зависимость.
Для этого создается нейронная сеть, в которой количество входных нейронов соответствует количеству входных факторов, которые, по нашему предположению, влияют на цену. В выходном слое будет всего один нейрон, соответствующий выходному фактору – цене.
ПРАКТИЧЕСКОЕ ЗНАЧЕНИЕ ПОЛУЧЕННЫХ РЕЗУЛЬТАТОВ
Был проведен эксперимент, и выяснилось что с помощью данного подхода, можно получить высокие результаты, обеспечивая достоверность оценки в 73-85% случаях. Данный подход обеспечивает лучшие результаты, чем нечёткая система оценки недвижимости FuzzyExtent. Существенные отклонения в оценке выявлены лишь в 2% случаев. А система в целом, поможет пользователю получить быструю и независящую от риелтора оценку той или иной недвижимости.
ВЫВОДЫ
В ходе выполнения научно-исследовательской работы были проанализированы исследования в данной области ученых с России и Великобритании. Была расширена область знаний о недвижимости и нейронных сетях. Получено представление о факторах, которые возможно применять для оценки характеристик недвижимости. Разработана общая структура системы по оценке недвижимости, с применением нейронных сетей.
СПИСОК ЛИТЕРАТУРЫ
1. Журнал «Приборы и системы. Управление, контроль, диагностика»/Применение нейронных сетей для оценки характеристик недвижимости, Пителинский К.В., Тюркин А.А., 2008г
2. Нейронные сети: Учебное пособие, Беркинблит М.Б. — М.: МИРОС и ВЗМШ РАО, 1993. — 96 с: ил.
3. Обучение нейронных сетей, Горбань А.Н., : СП «Параграф», 1990. — 154с.
4. Особенности нейросетевого моделирования в задаче массовой оценки муниципальной недвижимости г. Москвы, К.К. Борусяк, И.В. Мунерман «Институт управления стоимостью»
5. Основные концепции нейронных сетей, Каллан Роберт: Пер. с англ. – М.: Издательский дом «Вильямс», 2001 – с.:ил – Парал. тит. англ.
6. Организация и использование нейронных сетей (методы и технологии) Аксенов С.В., Новосельцев В.Б./Под общ. ред.В.Б. Новосельцева. – Томск: Изд-во НТЛ, 2006. – 128 с.
7. Информационно образовательный ресурс кафедры «Информационные технологии»/Финансовая академия при Правительстве Российской федерации.
[Электронный ресурс] — Режим доступа: http://fakit.narod.ru/ai.mht
8. Электронный учебник по статистике. StatSoft, Inc. (2001). Москва, StatSoft.
[Электронный ресурс] — Режим доступа: http://www.statsoft.ru/home/textbook/default.htm раздел нейронные сети
9. Информационно познавательный журнал «Виктория», тема «Нейросети в задачах отображения»
[Электронный ресурс] — Режим доступа: http://www.victoria.lviv.ua/html/oio/html/theme8_rus.htm
При написании данного автореферата магистерская работа еще не завершена. Дата окончательного завершения работы: 1 декабря 2010 г. Полный текст работы и материалы по теме могут быть получены у автора или его научного руководителя после указанной даты.
Оценка недвижимости является одной из наиболее востребованных и, вместе с тем, одной из наиболее сложных задач на рынке интеллектуальных систем оценки и принятия решений. Сложность заключается, во-первых, в большом количестве факторов, влияющих на оценку. Во-вторых, сам характер факторов представляет существенную проблему – некоторые из них довольно сложно формализовать (например, «степень престижности района нахождения объекта», «внешний вид объекта», информацию об истории объекта оценки, анализ местоположения объекта и др.). В-третьих, рынок недвижимости достаточно динамичен, что подразумевает высокую скорость изменения значения параметров оценки с течением времени. В-четвёртых, для формирования обучающих выборок и баз знаний приходится использовать опыт различных оценщиков, что может приводить к противоречивым решениям.
АКТУАЛЬНОСТЬ ТЕМЫ
Актуальность данной системы обоснована тем, что в данное время недвижимость занимает одну из главных ниш в экономике. Ввиду этого удобство, быстрота и простота поиска с помощью компьютеризированной системы, поможет человеку объективно оценить стоимость той или иной недвижимости, без участия риелтора.
А так, как нейронные сети основаны на примитивной биологической модели нервных систем, и способны обучаться, то оценка недвижимости при помощи НС выглядит очень привлекательно.
Еще одним актуальным фактором является, независимость от риелтора. В данный момент недвижимость оценивается – человеком (риелтором). Риелтор не всегда может быть объективен в своей оценке, и разные объекты недвижимости с приблизительно одинаковыми показателями, может оценивать с разным результатом. Поэтому целесообразно использовать систему, которая может работать без вмешательства со стороны.
ЦЕЛЬ И ЗАДАЧИ РАЗРАБОТКИ И ИССЛЕДОВАНИЯ
Целью настоящего исследования, является создание автоматизированной системы оценки недвижимости, при помощи нейросетей. В соответствии с целью, выделены следующие задачи:
- Определение количества факторов влияющих на оценку недвижимости
- Сбор всех данных (факторов) по объектам недвижимости
- Формализование некоторых факторов, для их применения
- Обеспечение высокого обновления информации, в силу динамичности рынка недвижимости
- Определение параметров нейронной сети
- Создание программного продукта
В данный момент большинство объектов недвижимости оценивается вручную – человеком. Для повышения эффективности, быстроты и достоверности оценки, целесообразно использовать компьютерные мощности для выполнения данной работы. То есть, новизна заключается в том, что оценка недвижимости, будет проходить без участия человека. Не будет преднамеренно завышенных цен, возможность внедрить данную систему на Web портал или же, на информационные терминалы города.
5.ОБЗОР ИССЛЕДОВАНИЙ И РАЗРАБОТОК ПО ТЕМЕ
Данным направлением занимаются в России:
К.К. Борусяк (ФА при Правительстве РФ), И.В. Мунерман (ООО «Институт управления стоимостью»)
В Великобритании:
Группа исследователей из университета г. Портсмут
ПРОБЛЕМЫ, НЕРЕШЕННЫЕ ВОПРОСЫ И ПУТИ РЕШЕНИЯ
Хотя нейросетевые модели являются весьма эффективными в задачах оценки, их построение связано с двумя группами проблем, которые необходимо учитывать при предобработке данных. Во-первых, в отличие от ряда развитых стран (например, США, за исключением нескольких штатов, в Украине отсутствует система обязательного публичного раскрытия информации о сделках с недвижимостью, при которой сумма сделки и основные характеристики помещения, подлежащего продаже или сдаче в аренду, предоставляются в форме анкеты в соответствующие органы и агрегируются на открытых веб-сайтах. В связи с этим информация о сделках с недвижимостью крайне ограничена и не вполне достоверна — даже в Киеве и Донецке, а тем более в остальных городах Украины.
Для решения этой задачи применим несколько методов, что позволит существенно повысить качество исходных данных. Семантические анализаторы, основанные на регулярных выражениях, применяются для анализа текстов объявлений и выявления в них максимума информации, заданной в неформализованном текстовом виде. Набор решающих правил позволил исключить заведомо абсурдные анкеты, содержащие неправдоподобные сочетание признаков объекта недвижимости (например, квартира класса С с земельным участком). Матрицы граничных значений, составленные на основе эмпирических данных рынка недвижимости и статистического анализа выбросов, позволят отсечь объявления с заведомо недостоверной ценовой информацией. Во-вторых, классические приёмы математического моделирования экономических процессов лучше всего работают в случае, когда все зависимые факторы являются количественными. В задаче определения цены объекта недвижимости факторное пространство устроено значительно сложнее. Большинство ценообразующих факторов являются неупорядоченными (например, история помещения) или упорядоченными категориями (состояние помещения – от аварийного до отличного). Важную роль играет также расположение объекта – географический фактор, кодирование которого представляет собой нетривиальную задачу. Простое использование географических координат не является решением проблемы, т.к. координаты – не ценообразующие факторы. Количественные факторы (с учётом преобразований, которые будут рассмотрены ниже) используются в модели в неизменном виде. Бинарные факторы задаются переменными-признаками: для типа операции «продажа» будет выбрана за единицу, а «аренда» — за ноль. Неупорядоченные категории преобразуются в набор бинарных переменных, соответствующих всем уровням, кроме базового. В качестве базового назначения будет выбрана квартира. Преимущество нейронных сетей перед моделями множественной регрессии состоит в том, что нет необходимости преобразовывать упорядоченные категории в набор бинарных переменных, теряя порядок значений, обусловленный экономическими причинами. Т.к. зависимости в нейронных сетях нелинейны, достаточно указать произвольные числовые значения, монотонно связанные с уровнями фактора, например, последовательные целочисленные значения или усреднённые значения цены в разрезе соответствующих категорий. К некоторым из факторов будут применены соответствующие функциональные преобразования.
Цены и площади помещения будут прологарифмированы. Кроме того, чтобы избежать разделения выборки на отдельные группы по аренде и по продаже, к арендным ставкам будет применён коэффициент капитализации 1/r, где r=12% типичное значение валового рентного мультипликатора. Все факторы будут нормированы путём вычитания минимального значения и деления на размах вариации.
РАЗРАБОТКА ОБЪЕКТНОЙ МОДЕЛИ
Для оценки стоимости объектов недвижимости разработаны и широко применяются три метода – доходный, затратный, и сравнительный (с использованием объектов-аналогов).
Доходный подход – совокупность методов оценки стоимости объекта, основанных на определении ожидаемых доходов от объекта оценки. Главный фактор, определяющий стоимость объекта – будущие доходы от его эксплуатации на протяжении срока полезного использования. Достоинство – возможность комплексной, системной оценки, когда нужно оценить не отдельные объекты, а весь операционный имущественный комплекс. Недостаток – применение ограниченно возможностью непосредственного определения чистого дохода от оценивания объекта.
Затратный подход – совокупность затратных методов оценки стоимости объекта, необходимых для восстановления/замещения объекта, с учетом его износа. Предполагает обязательную оценку возможной и полной себестоимости изготовления объекта (и других затрат изготовителя и продавца). Достоинства – возможность оценки уникальных объектов и учет факторов износа объекта. Недостаток – сильная зависимость от полноты информации об оцениваемом объекте.
Сравнительный подход – совокупность методов оценки стоимости объекта, основанных на сравнении оцениваемого объекта с аналогичными объектами, в отношении которых имеется информация о ценах сделок с ними. Достоинства – эффективен при наличии рынка подобных объектов, дает представление об их действительной рыночной стоимости. Недостаток – сильная зависимость от полноты рыночной информации.
Входными данными будут такие параметры недвижимости как:
K — количество комнат
S — общая площадь
Z — жилая площадь
A — возраст дома
R — прошло с момента капитального ремонта
G — стоимость квадратнорго метра участка в районе
Если рассматривается дом то будет еще
N — включена площадь участка
Рисунок 1. Общая структура нейронной сети
(Анимация: объем 51,4 Кб; размер 706х333; состоит из 7 кадров; цикл повторения – непрерывный)
Нечисловые данные других типов можно либо преобразовать в числовую форму, либо объявить незначащими. Значения дат и времени, если они нужны, можно преобразовать в числовые, вычитая из них начальную дату (время). Обозначения денежных сумм преобразовать совсем несложно. С произвольными текстовыми полями (например, фамилиями людей) работать нельзя и их нужно сделать незначащими.
Используя массив сведений о уже оцененных объектах недвижимости, можно попытаться извлечь интересующую нас зависимость.
Для этого создается нейронная сеть, в которой количество входных нейронов соответствует количеству входных факторов, которые, по нашему предположению, влияют на цену. В выходном слое будет всего один нейрон, соответствующий выходному фактору – цене.
ПРАКТИЧЕСКОЕ ЗНАЧЕНИЕ ПОЛУЧЕННЫХ РЕЗУЛЬТАТОВ
Был проведен эксперимент, и выяснилось что с помощью данного подхода, можно получить высокие результаты, обеспечивая достоверность оценки в 73-85% случаях. Данный подход обеспечивает лучшие результаты, чем нечёткая система оценки недвижимости FuzzyExtent. Существенные отклонения в оценке выявлены лишь в 2% случаев. А система в целом, поможет пользователю получить быструю и независящую от риелтора оценку той или иной недвижимости.
ВЫВОДЫ
В ходе выполнения научно-исследовательской работы были проанализированы исследования в данной области ученых с России и Великобритании. Была расширена область знаний о недвижимости и нейронных сетях. Получено представление о факторах, которые возможно применять для оценки характеристик недвижимости. Разработана общая структура системы по оценке недвижимости, с применением нейронных сетей.
СПИСОК ЛИТЕРАТУРЫ
1. Журнал «Приборы и системы. Управление, контроль, диагностика»/Применение нейронных сетей для оценки характеристик недвижимости, Пителинский К.В., Тюркин А.А., 2008г
2. Нейронные сети: Учебное пособие, Беркинблит М.Б. — М.: МИРОС и ВЗМШ РАО, 1993. — 96 с: ил.
3. Обучение нейронных сетей, Горбань А.Н., : СП «Параграф», 1990. — 154с.
4. Особенности нейросетевого моделирования в задаче массовой оценки муниципальной недвижимости г. Москвы, К.К. Борусяк, И.В. Мунерман «Институт управления стоимостью»
5. Основные концепции нейронных сетей, Каллан Роберт: Пер. с англ. – М.: Издательский дом «Вильямс», 2001 – с.:ил – Парал. тит. англ.
6. Организация и использование нейронных сетей (методы и технологии) Аксенов С.В., Новосельцев В.Б./Под общ. ред.В.Б. Новосельцева. – Томск: Изд-во НТЛ, 2006. – 128 с.
7. Информационно образовательный ресурс кафедры «Информационные технологии»/Финансовая академия при Правительстве Российской федерации.
[Электронный ресурс] — Режим доступа: http://fakit.narod.ru/ai.mht
8. Электронный учебник по статистике. StatSoft, Inc. (2001). Москва, StatSoft.
[Электронный ресурс] — Режим доступа: http://www.statsoft.ru/home/textbook/default.htm раздел нейронные сети
9. Информационно познавательный журнал «Виктория», тема «Нейросети в задачах отображения»
[Электронный ресурс] — Режим доступа: http://www.victoria.lviv.ua/html/oio/html/theme8_rus.htm
При написании данного автореферата магистерская работа еще не завершена. Дата окончательного завершения работы: 1 декабря 2010 г. Полный текст работы и материалы по теме могут быть получены у автора или его научного руководителя после указанной даты.